خیلی از پژوهشهایی که ذیل عنوان علوم اجتماعی محاسباتی انجام میشود را به شکل دستی هم میتوان انجام داد. چطور؟ فرض کنید کارفرما جدولی شامل دادههای تحصیلی یک میلیون دانشجو را به شما میدهد تا در چند معادلهی ریاضی قرار دهید و جوابها را در جدول دیگری بنویسید.
این کار شدنی است؟ حتماً. خیلی از پژوهشهای کمی، سرشماریها، افکارسنجیها، پیمایشها و ... هنوز هم توسط خودِ پژوهشگران و نهایتاً با کمک ماشینحسابهای معمولی انجام میشوند و نتایج کاملاً معتبری هم دارند. یکی از دوستان من مصاحبههای رسالهی دکتریاش را بدون استفاده از نرمافزارهای مرسوم و به شکل دستی برچسبزنی و تحلیل محتوا کرد.
پس چه نیازی به دانش (یا رویکرد) جدیدی به نام «علوم اجتماعی محاسباتی» و ابزارهایی مثل «هوش مصنوعی» و «ماشینهای یادگیرنده» داریم؟
اگر دانشجوی علوم اجتماعی و انسانی باشید، حتماً تحلیل محتوا (چه کمی و چه کیفی) بلدید. حالا فرض کنید از شما خواستهاند که نظام معنایی فلان مفهوم را در کتابهای چاپشده با تحلیل محتوا به دست بیاورید. حالا فرض میکنیم که شما از نخستین روز تولدتان تا پایان عمر (مثلاً هشتاد سال)، هر روز یک کتاب را میخوانید و متنش را تحلیل میکنید.

فکر میکنید چند کتاب را خواهید خواند؟
80 x 365 = 29,200 books
شما میتوانید حدود 30 هزار کتاب بخوانید. کتابخانهی گوگل نزدیک به 130 میلیون کتاب را نمایه کرده است. به نظرتان چند نفر باید هشتاد سال وقت بگذارند تا این حجم از کتاب (که روزانه در حال افزایش است) را بخوانند و تحلیل کنند؟
این کار عملاً ناممکن است. پس شما ناچارید از ماشین برای این کار استفاده کنید. پس مثلاً از همین گوگل میخواهید که تعداد کلمهی خاصی را در کتابهایی که دارد بشمرد و به شما بگوید. گوگل هم کلمهی مورد نظر شما را در همهی کتابهای چاپشده از سال 1500 میلادی تا امروز پیدا میکند.
نخستین دلیلی که ما را ناچار میکند از محاسبات ماشینی استفاده کنیم، سرعت است.
اما این همهی ماجرا نیست. ذهن بشر برای اجرای محاسبات دقیق روی اعداد و انجام تحلیلهای معنادار، ناچار است تصویر روشنی از مقدارِ بیانشده در عدد داشته باشد. فرض کنید از شما میخواهند شبکهی ارتباطی چند نفر از دوستانتان را روی کاغذ ترسیم کنید.

این شبکه از ارتباطات انسانی را کمابیش میشود تصور و ترسیم کرد. حالا فکر میکنیم که از شما خواستهاند شبکهی ارتباطی یک میلیون یا یک میلیارد نفر را ترسیم کنید. به نظرتان زمانبر بودن تنها دشواریِ این کار است؟ اگر اینطور فکر میکنید، بیایید تصویر شما از تفاوت بین این اعداد را به چالش بکشیم.

ما اساساً تصویر روشنی از تفاوت اعداد بزرگ با یکدیگر نداریم. مثلاً وقتی در گفتگوهای روزمره دربارهی این که فلان کالا یک میلیون تومن است یا یک میلیارد تومن صحبت میکنیم، نمیدانیم دربارهی چه حجمی از تفاوت حرف میزنیم.
اگر از شما بخواهند شبکهای شامل یک میلیون یا یک میلیارد عنصر را ترسیم کنید، نهتنها زمان بسیار زیادی را باید صرف کنید، که اصلاً امکان تصورِ این حجم از متغیر را ندارید.

پس دومین دلیلی که ما را ناچار میکند از محاسبات ماشینی استفاده کنیم، ظرفیتی تحلیلی ذهن ما است.
در یادداشتهای بعدی دربارهی این که چقدر از پژوهشهای اجتماعیمان را باید به ماشین واگذار کنیم و چقدرشان را خودمان انجام دهیم، بیشتر خواهم نوشت.